論文の概要: Adaptive Trajectory Prediction via Transferable GNN

• arxiv url: http://arxiv.org/abs/2203.05046v1
• Date: Wed, 9 Mar 2022 21:08:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 14:38:21.515604
• Title: Adaptive Trajectory Prediction via Transferable GNN
• Title（参考訳）: トランスファーブルGNNによる適応軌道予測
• Authors: Yi Xu, Lichen Wang, Yizhou Wang, Yun Fu
• Abstract要約: 本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
• 参考スコア（独自算出の注目度）: 74.09424229172781
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pedestrian trajectory prediction is an essential component in a wide range of AI applications such as autonomous driving and robotics. Existing methods usually assume the training and testing motions follow the same pattern while ignoring the potential distribution differences (e.g., shopping mall and street). This issue results in inevitable performance decrease. To address this issue, we propose a novel Transferable Graph Neural Network (T-GNN) framework, which jointly conducts trajectory prediction as well as domain alignment in a unified framework. Specifically, a domain invariant GNN is proposed to explore the structural motion knowledge where the domain specific knowledge is reduced. Moreover, an attention-based adaptive knowledge learning module is further proposed to explore fine-grained individual-level feature representation for knowledge transfer. By this way, disparities across different trajectory domains will be better alleviated. More challenging while practical trajectory prediction experiments are designed, and the experimental results verify the superior performance of our proposed model. To the best of our knowledge, our work is the pioneer which fills the gap in benchmarks and techniques for practical pedestrian trajectory prediction across different domains.
• Abstract（参考訳）: 歩行者の軌道予測は、自律運転やロボット工学のような幅広いAIアプリケーションにおいて不可欠な要素である。 既存の方法では、トレーニングとテストの動作は同じパターンを踏襲し、潜在的な分布の違い(ショッピングモールや通りなど)を無視している。 この問題は避けられない性能低下をもたらす。 この問題に対処するため,我々はT-GNN(Transferable Graph Neural Network)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応型知識学習モジュールを提案し,より詳細な個別レベルの特徴表現を提案する。 このようにして、異なる軌道領域にまたがる格差が緩和される。 実際の軌道予測実験はより困難であり, 実験結果により提案モデルの優れた性能が検証された。 私たちの知る限りでは、私たちの研究は、さまざまなドメインにわたる実用的な歩行者追跡予測のためのベンチマークとテクニックのギャップを埋める先駆者です。

関連論文リスト

• Recurrent Aligned Network for Generalized Pedestrian Trajectory Prediction [43.98749443981923]
  歩行者の軌道予測はコンピュータビジョンとロボット工学において重要な要素である。 従来の研究では、対象領域からの軌道データの一部をモデルに適応させることで、この問題に対処しようと試みてきた。 本稿では、ドメインアライメントによるドメインギャップを最小限に抑えるために、Recurrent Aligned Network(RAN)を導入する。
  論文  参考訳（メタデータ） (2024-03-09T06:17:09Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [54.60458503590669]
  協調認識の学習段階と推論段階の両方に適用可能な統合ドメイン一般化フレームワークを提案する。 我々は、AmpAug(Amplitude Augmentation)法を用いて、低周波画像の変動を増大させ、学習能力を拡大する。 推論フェーズでは、システム内ドメインアライメント機構を導入し、ドメインの不一致を減らし、潜在的に排除する。
  論文  参考訳（メタデータ） (2023-11-28T12:52:49Z)
• Learning Representative Trajectories of Dynamical Systems via Domain-Adaptive Imitation [0.0]
  ドメイン適応軌道模倣のための深層強化学習エージェントDATIを提案する。 実験の結果,DATIは模擬学習と最適制御のベースライン手法よりも優れていることがわかった。 実世界のシナリオへの一般化は、海上交通における異常な動きパターンの発見を通じて示される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:48Z)
• Visualizing Transferred Knowledge: An Interpretive Model of Unsupervised Domain Adaptation [70.85686267987744]
  教師なしのドメイン適応問題は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することができる。 本稿では、翻訳された知識の謎を視覚的に明らかにする最初の試みとして、教師なしドメイン適応の解釈モデルを提案する。 提案手法は,ベースモデルの予測を直感的に説明し,画像パッチをソースドメインとターゲットドメインの両方で同一のセマンティクスとマッチングすることで伝達知識を公開する。
  論文  参考訳（メタデータ） (2023-03-04T03:02:12Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• CTP-Net For Cross-Domain Trajectory Prediction [32.71173331555378]
  深層学習に基づく軌跡予測法は、大量の注釈付き将来の軌跡に依存している。 アノテーション付きソースドメイントラジェクトリでトレーニングされたモデルをターゲットドメインに適応させることが望ましい。 本稿では、LSTMを用いて両領域の観測軌道を符号化するクロスドメイン軌道予測ネットワーク(CTP-Net)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T08:18:31Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• Off-Dynamics Reinforcement Learning: Training for Transfer with Domain Classifiers [138.68213707587822]
  強化学習におけるドメイン適応のためのシンプルで実践的で直感的なアプローチを提案する。 報酬関数を変更することで、力学の違いを補うことで、この目標を達成することができることを示す。 我々のアプローチは、連続状態とアクションを持つドメインに適用でき、ダイナミックスの明示的なモデルを学ぶ必要がない。
  論文  参考訳（メタデータ） (2020-06-24T17:47:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。